Селективно-ковариационный метод локализации, классификации и отслеживания людей в видеопотоках от множества видеокамер

Приведен селективно-ковариационный метод локализации, классификации и отслеживания людей в видеопотоках от нескольких камер. Подобные методы являются ключевыми при разработке систем безопасности и видеонаблюдения, интеллектуального окружения и робототехники. Метод назван селективно-ковариационным, поскольку прежде, чем относить объект к тому или иному классу (в нашем случае к тому или иному классу людей) на основе применения ковариационных дескрипторов, осуществляется выделение (селекция) специфической области, характерной для рассматриваемого класса объектов (людей) - это области головы и плеч человека. Предложены новые функции признаков для построения ковариационных дескрипторов, проведено сравнение эффективности применения этих функций с базовыми функциями признаков. Предложена и апробирована маска, позволяющая выделять наиболее информативные пиксели области интереса. Использование предложенных функций признаков и маски для выделения информативной области интереса позволило значительно улучшить достоверность классификации людей (с 75% при применении базовых функций признаков до 94,6% по предложенному методу) при невысокой вычислительной сложности.

Литература

[1] Lowe D.G. Distinctive image features from scale-invariant keypoints // International Journal of Computer Vision. 2004. Vol. 60. No. 2. P. 91-110. DOI: 10.1023/B:VISI.0000029664.99615.94

[2] Fazli S., Pour H.M., Bouzari H. Particle filter based object tracking with sift and color feature // International Conference on Machine Vision. 2009. P. 89-93. DOI: 10.1109/ICMV.2009.47

[3] Belongie S., Malik J., Puzicha J. Shape matching and object recognition using shape contexts // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2002. Vol. 24. No. 4. P. 509-522. DOI: 10.1109/34.993558

[4] Ioffe S., Forsyth D.A. Probabilistic methods for finding people // International Journal of Computer Vision. 2001. Vol. 43. No. 1. P. 45-68. DOI: 10.1023/A:1011179004708

[5] Elzein H., Lakshmanan S., Watta P. A motion and shape-based pedestrian detection algorithm // IEEE Intelligent Vehicles Symposium. Proc. 2003. P. 500-504. DOI: 10.1109/IVS.2003.1212962

[6] Liu H., Wang L., Sun F. Mean-shift tracking using fuzzy coding histogram // International Journal of Fuzzy Systems. 2014. Vol. 16. No. 4. P. 457-467.

[7] Comaniciu D., Ramesh V., Meer P. Kernel-based object tracking // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2003. Vol. 25. No. 5. P. 564-577. DOI: 10.1109/TPAMI.2003.1195991

[8] Perez P., Hue C., Vermaak J., Gangnet M. Color-Based Probabilistic Tracking // European Conference on Computer Vision. 2002. P. 661-675.

[9] Tuzel O., Porikli F., Meer P. Region covariance: A fast descriptor for detection and classification // European Conference on Computer Vision. 2006. P. 589-600.

[10] Porikli F., Tuzel O., Meer P. Covariance tracking using model update based on Lie algebra // IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2006. Vol. 1. P. 728-735. DOI: 10.1109/CVPR.2006.94

[11] Wu Y., Cheng J., Wang J., Lu H. Real-time visual tracking via incremental covariance tensor learning // Proceedings of IEEE International Conference on Computer Vision. 2009. P. 1631-1638. DOI: 10.1109/ICCV.2009.5459369

[12] Wu Y., Wang J., Lu H. Robust Bayesian tracking on Riemannian manifolds via fragments-based representation // Proceedings of IEEE International Conference on Acoustics, Speech and Signal Processing. 2009. P. 765-768. DOI: 10.1109/ICASSP.2009.4959696

[13] Zivkovic Z. Improved adaptive Gaussian mixture model for background subtraction // Proceedings of International Conference on Pattern Recognition. 2004. Vol. 2. P. 28-31. DOI: 10.1109/ICPR.2004.1333992

[14] Viola P., Jones M.J. Robust real-time face detection // International Journal of Computer Vision. 2004. Vol. 57. No. 2. P. 137-154. DOI: 10.1023/B:VISI.0000013087.49260.fb

[15] Watada J., Musaand Z.B. Tracking human motions for security system // SICE Annual Conference. 2008. P. 3344-3349. DOI: 10.1109/SICE.2008.4655242

[16] Алфимцев А.Н. Нечеткое агрегирование мультимодальной информации в интеллектуальном интерфейсе // Программные продукты и системы. 2011. № 3. С. 10.

[17] Bellotto N., Hu H. Multisensor-based human detection and tracking for mobile service robots // IEEE Transactions on Systems, Man, and Cybernetics. 2009. Vol. 39. No. 1. P. 167-181. DOI: 10.1109/TSMCB.2008.2004050